随着（zhe）人工智能 (AI) 的（de）成（chéng）熟（shú），采用（yòng）率（lǜ）继续增加。根据最近的研究，35% 的组（zǔ）织正在（zài）使用人工智能，42% 的（de）组（zǔ）织正在探（tàn）索其（qí）潜力。虽然人工（gōng）智能在云中得到了很好的理解并大（dà）量部署，但它（tā）在边缘（yuán）仍然处于（yú）萌芽状态，并（bìng）面临一些（xiē）独特的挑战。

许多人全（quán）天（tiān）都在使用（yòng）人工（gōng）智能，从（cóng）汽车导航到跟踪步骤，再到与数字助理（lǐ）交谈。即使用户经常（cháng）在移动设备上访问这些服务，计（jì）算结果仍然存在（zài）于人工智能的（de）云使（shǐ）用中。更具体地说，一个人请求信息（xī），该请求（qiú）由云（yún）中的中央学习模（mó）型处理，然后将结果（guǒ）发送（sòng）回该人的（de）本地设备。

与云（yún）端 AI 相比，边（biān）缘 AI 的（de）理解和（hé）部（bù）署频率更低。从（cóng）一开始，人工智（zhì）能算法和创新就（jiù）依赖于一个基（jī）本假设——所有数据都可以发（fā）送到一个（gè）中（zhōng）心位置。在这个中心位置，算法（fǎ）可以完全访（fǎng）问数据。这使得（dé）算（suàn）法能够（gòu）像大脑或（huò）中枢神经（jīng）系（xì）统一样构建（jiàn）其智能，对（duì）计算和（hé）数（shù）据拥有完全的权限。

但是（shì），边缘的人工智能是不同（tóng）的。它将智能分（fèn）布在所有细胞（bāo）和神经上。通过将智能推向边缘，我们赋予（yǔ）这些边缘设备代（dài）理权。这（zhè）在医疗保健和工业制造等许多应用和（hé）领域（yù）中至关（guān）重要。

在边缘部署人工智（zhì）能的原因

在边缘部署人工智能有三个主要原因（yīn）。

保护个人身份信息 (PII)

首（shǒu）先，一些处理 PII 或敏感 IP(知识产权)的组（zǔ）织更愿意将数据留在其（qí）来源处——医院的成像机器或工厂车（chē）间的制造机器中。这（zhè）可以降低通过网（wǎng）络传（chuán）输数据时可能发生的“偏移（yí）”或“泄漏”风险（xiǎn）。

最小化带宽使（shǐ）用（yòng）

其（qí）次（cì）是带（dài）宽问题（tí）。将大（dà）量数据从边缘传送到云端会阻塞（sāi）网络，在某些情（qíng）况下是不切实（shí）际（jì）的。健康环境中的成像机器生成如此（cǐ）庞大的文件以致无法将它们传输（shū）到云或（huò）需要数天才（cái）能完成（chéng）传输（shū）的情况并不少（shǎo）见。

简单地在边缘处理数据会更有效，尤其是当洞察（chá）力旨在改（gǎi）进专有机器时。过去，计算的移动和维护（hù）难度要（yào）大（dà）得多，因此需要将这些数据（jù）移动（dòng）到（dào）计（jì）算位置。这（zhè）种范式现在受（shòu）到挑（tiāo）战，现在数据通常更重（chóng）要（yào）且（qiě）更难管理，导致（zhì）用例保证将计算移动到（dào）数据位（wèi）置。

避免（miǎn）延迟

在边缘部署 AI 的第三个原（yuán）因是（shì）延迟。互联（lián）网（wǎng）速（sù）度很快，但不是实时的。如（rú）果（guǒ）存（cún）在毫秒很重（chóng）要（yào）的情况，例如协助手术的机械臂（bì）或时间敏感的生产线，组织可能会决定在边缘运行 AI。

边缘人工（gōng）智能面临的挑战以及如何解决（jué）这些挑战

尽管有这（zhè）些（xiē）好处，但（dàn）在边缘部署 AI 仍然存在（zài）一些独（dú）特的挑战（zhàn）。以下（xià）是您应该考虑的（de）一些提示，以帮助应（yīng）对（duì）这些挑战。

模型训练（liàn）的好与（yǔ）坏结（jié）果

大（dà）多（duō）数 AI 技术（shù）使（shǐ）用大（dà）量数据来训练模型（xíng）。然而，在边缘的工业用例中（zhōng），这通常会变得更加困难（nán），因（yīn）为大多数制造的产品（pǐn）都（dōu）没有缺陷，因此（cǐ）被（bèi）标记（jì）或注释为良（liáng）好。由此产生的“好（hǎo）结（jié）果”与“坏（huài）结（jié）果”的不平衡使得模型更难学会识别问题。

依赖（lài）于没有上下文信息的数据分类的纯（chún） AI 解决方案通常（cháng）不容易创建和（hé）部（bù）署，因（yīn）为（wéi）缺乏标记数据，甚至（zhì）会发（fā）生罕见（jiàn）事件（jiàn）。为 AI 添加上下（xià）文（wén）(或称（chēng）为以数据为中心的方法)通常会在最终解（jiě）决（jué）方案的准确性和规模方面带来好（hǎo）处。事实（shí）是，虽然人（rén）工智能通（tōng）常可（kě）以取代人（rén）类手（shǒu）动完成的平（píng）凡任务，但在构建模型（xíng）时，它会极大地（dì）受益于人（rén）类的（de）洞察（chá）力，尤（yóu）其是在没（méi）有大量数据可供（gòng）使（shǐ）用（yòng）的（de）情况下。

从经验（yàn）丰富的主题专家那（nà）里（lǐ）得到（dào）承诺，与构建（jiàn）算法（fǎ）的数据科学家密切合作，为 AI 学习（xí）提供了一个快速（sù）启动。

AI 无法神奇（qí）地解决或提（tí）供（gòng）每个问（wèn）题（tí）的答（dá）案

通常有（yǒu）许多步骤进入（rù）输出。例如，工厂（chǎng）车（chē）间（jiān）可能有许多工作站，它（tā）们（men）可能相互依赖。一个过程（chéng）中（zhōng）工厂某个区域的湿度（dù）可能会影响稍后在不同（tóng）区域的生产线（xiàn）中另一个过程的结果。

人们通常认为人（rén）工智（zhì）能可以神奇地拼凑（còu）所有这些关系。虽然在许多情况下（xià）可以，但它也可能需要大量数据和（hé）很长（zhǎng）时间来（lái）收集数（shù）据，从而导致（zhì）非常复杂的算法不支持可解释性和（hé）更新。

人工智（zhì）能不（bú）能生（shēng）活（huó）在（zài）真空中。捕（bǔ）捉这（zhè）些相互依赖关（guān）系将把边（biān）界从（cóng）一个简单的解决方案推向一个（gè）可以随着时间和不（bú）同部（bù）署而扩展的解决（jué）方案。

缺乏利益（yì）相关者的支持会限制人工智能的规（guī）模（mó）

如果组织（zhī）中的一（yī）群人对它的好处（chù）持怀疑态度，则很难在整个组织中扩展 AI。获（huò）得广泛支持的最好(也许是唯一)方法是从（cóng）一个高（gāo）价值（zhí）、困难的问（wèn）题开（kāi）始，然后（hòu）用人（rén）工智能解决它。

在（zài）奥迪（dí），我们考虑解决焊枪电极（jí）更（gèng）换频率的问（wèn）题。但是（shì）电极成本低，这并没有消除人类正（zhèng）在（zài）做的任何平（píng）凡的任务。相反，他们选择了焊接（jiē）工艺，这是整个行业普遍认同的难（nán）题，并（bìng）通过人工智能显着提高（gāo）了工艺质量。这激发了整个（gè）公司（sī）工程师（shī）的想象（xiàng）力，他们研究如何在其他流（liú）程中使用人工智能来提高效（xiào）率和质量。

平衡边缘 AI 的优势和挑（tiāo）战

在边缘部署 AI 可以帮助（zhù）组织（zhī）及其团队（duì）。它有可能（néng）将设施转（zhuǎn）变为智能边缘，提（tí）高质量，优化制（zhì）造过程，并激励整个组织的开发人员和工程师探索（suǒ）他们如何整合人工智能或推进人工智能用例，包（bāo）括预测分析、提（tí）高效率的（de）建议或异常（cháng）检测（cè）。但它也带来了新的（de）挑战。作为一个行业，我们必须能够在部署它的同（tóng）时减少延迟、增（zēng）加隐私、保护 IP 并（bìng）保（bǎo）持（chí）网络平稳运行。